Acoplamento Bibliográfico e o Avanço Tecnológico por Meio do Uso Software Vosviewer
DOI:
https://doi.org/10.33448/rsd-v11i9.31650Palavras-chave:
Acoplamento bibliográfico; Análise de conteúdo; Base web of science; Clusters; Software vosviewer.Resumo
O estudo teve como objetivo efetuar a análise de conteúdo de 30 artigos encontrados no acoplamento bibliográfico referente avanço tecnológico na literatura internacional base Web of Science no ano de 2020, por meio do uso do software Vosviewer. Cumpre-se destacar que este artigo é continuidade de uma infometria publicada no Research, Society and Development, no ano de 2021, efetuando-se somente um recorte aqui o qual deu-se nome de “Acoplamento Bibliográfico”. O artigo tem características de pesquisa exploratória, documental e qualitativa. Efetuou-se a análise e descrição de 30 itens/artigos encontrados em 7 Clusters. No estudo torna-se evidenciado a importância da informação para o progresso das sociedades a nível mundial. Ressalta-se a partir da leitura dos 30 artigos encontrados neste acoplamento bibliográfico que o avanço da tecnologia tem ajudado a encontrar melhores técnicas para obtenção de sucesso em determinada situação, seja na área médica, hospitalar, empresarial entre outras. Quanto maior o número de referências em comum, maior será a força de conexão/links entre os dois artigos evidenciando a intensidade do acoplamento destes dois artigos. Por meio da análise de cada artigo, alcançou-se o intuito de entender os significados e os sentidos das mensagens, que foram além de uma leitura comum, elucidando de tal modo em minucias ricas o fenômeno social estudado. Com o uso de um software VOSViewer, obteve-se o melhoramento no processo de divulgação e transparência das informações encontradas nos artigos. Assim alcançou-se adaptações céleres como reduziu-se o tempo de análise dos artigos e controle de dados aberto em reprodução efetiva.
Referências
Bardin, L. (1977). Análise de Conteúdo. Edições 70.
Chen, Y., Yang, C., Zhang, Yan & Li, Y. (2020). Deep conditional adaptation networks and label correlation transfer for unsupervised domain adaptation. Pattern Recognition. 98, 107072, https://doi.org/10.1016/j.patcog.2019.107072.
Chesbrough, H. (2003). Open Innovation: The New Imperative for Creating and Profiting from Technology. Harvard Business School.
Castanha, R. G. & Grácio, M. C. C. (2020). Indicadores de Acoplamento Bibliográfico para a avaliação da proximidade teórico-metodológica em redes de genealogia acadêmica um estudo aplicado aos descendentes bolsistas PQ de Aldo Barreto. RDBCI: Rev. Dig. Bibliotec e Ci. Info. / RDBCI: Dig. J. of Lib. and Info. Sci. 18, e020039. 10.20396/rdbci.v18i00.8661393
Ding, H. B., Pan, Z. B., Cen, Q. B., Li, Y. C. & Chen, S. A. (2020). Multi-scale fully convolutional network for gland segmentation using three-class classification. Neurocomputing. 380, 150–161. https://doi.org/10.1016/j.neucom.2019.10.097
Fang, Y., Huang, X., Qin, L., Zhang, Y., Zhang, W., Cheng, R. & Lin, X. (2020). A survey of community search over big graphs. The VLDB Journal. 29, 353–392. https://doi.org/10.1007/s00778-019-00556-x
Fu, J. A, B., Liu, J. A., Li, Y. C., Bao, Y. C., Yan, W. C., Fang, Z. A, B., & Lu, H.A. (2020). Contextual deconvolution network for semantic segmentation. Pattern Recognition. 101, 107152. https://doi.org/10.1016/j.patcog.2019.107152
Gao, P. A. B., Yuan, R. A., Wang, F. A., Xiao, L. A. B., Fujita, H. C. D. & Zhang, Y. a. (2019). Siamese Attentional Keypoint Network for High Performance. Visual Tracking. arXiv:1904.10128v2 [cs.CV] 29 Dec.
Grácio, M C. C. (2016). Acoplamento bibliográfico e análise de cocitação: revisão teórico-conceitual. Encontros Bibli: Revista eletrônica de biblioteconomia e ciência da informação, 21(47), 82-99. Universidade Federal de Santa Catarina.
Han, X., Zhang, Y., Zhang, W. & Huang, T. (2020). An Attention-Based Model Using Character Composition of Entities in Chinese Relation Extraction. Information 2020, 11, 79; 10.3390/info11020079.
Hao, D. & Strotmann, A. (2008). Evolution of Research Activities and Intellectual Influences in Information Science 1996–2005: Introducing Author Bibliographic-Coupling Analysis. Journal of the American Society for Information Science and Tecnhology, 59(13), 2070-2086.
Kessler, M. M. (1963). Bibliographic coupling between scientific papers. American Documentation, 14(1), 10–25.
Kessler, M. M. (1965). Comparison of the results of bibliographic coupling and analytic subject indexing. American Documentation, 16(3), 223–233.
Kirschbaum, C. (2013). Decisões sobre pesquisas Quali e Quanti sob a perspectiva de mecanismos causais. Revista Brasileira de Ciências Sociais, 28(82), 179-193.
Lei, K. a, b., Zhang, B. a., LI, Y a., Yang, M. c. & Shen, Y. a. (2020). Time-driven feature-aware jointly deep reinforcement learning for financial signal representation and algorithmic trading. Expert Systems with Applications. 140, 112872. https://doi.org/10.1016/j.eswa.2019.112872 0957-4174/© 2019 Elsevier Ltd. All rights reserved.
Leite, R. & Rocha, G. de A. (2019). Desenho de Pesquisa, Inferência e Causalidade: Caminhos Entre a Abordagem Qualitativa e Quantitativa. Revista Eletrônica de Ciência Política. 10(1), 107-119. 10.5380/recp. v%vi%i.61004 https://revistas.ufpr.br/politica/ ISSN: 2236-451X.
Li, H., Liu, Y., Mamoulis, N. & Fellow, D. S. R. (2019). Translation-Based Sequential Recommendation for Complex Users on Sparse Data. Ieee Transactions on Knowledge and Data Engineering. v. 32, n. 8, August 2020. Digital Object Identifier no. 10.1109/TKDE2906180. https://www.ieee.org/publications/rights/index.html for more information.
Li, J. a., Zhou, G. a, b., Qiu, Y. a., Wang, Y. a, b., Zhang, Y. d. & Xie, S. a, c. (2020). Deep graph regularized non-negative matrix factorization for multi-view clustering. Neurocomputing. V. 390, p. 108–116https://doi.org/10.1016/j.neucom.2019.12.054.
Li, J. a., Zhou, G. a, b., Qiu, Y. a., Wang, Y. a, b., Zhang, Y. d. & Xie, S. a, c. (2020). Deep graph regularized non-negative matrix factorization for multi-view clustering. Neurocomputing. V. 390, p. 108–116. https://doi.org/10.1016/j.neucom.2019.12.054.
Li, Y., Zeng, Y., Liu, T., Jia, X. & Bin, H. G. (2019). Simultaneously learning affinity matrix and data representations for machine fault diagnosis. Neural Networks. v. 122, p. 395–406, 2020. https://doi.org/10.1016/j.neunet. 11.007.
Liao, W. a., Wang, Y. a., Yin, Y. b., Zhang, X. a., & Ma, P. a. (2020). Improved sequence generation model for multi-label classification via CNN and initialized fully connection. Neurocomputing. V. 382, p. 188–195. https://doi.org/10.1016/j.neucom.2019.11.074 0925-2312/© 2019 Elsevier B.V. All rights reserved.
Liu, Y., Gao, X., Gao, Q., Han, J. & Shao, L. (2019). d. Label-activating framework for zero-shot learning. Neural Networks v.121 p.1–9, 2020. https://doi.org/10.1016/j.neunet..08.023 0893-6080/© 2019 Elsevier Ltd. All rights reserved.
Liu, Y., Zhang, J., Han, D., Wu, P., Sun, Y. & Moon, Y. S. (2020). A multidimensional chaotic image encryption algorithm based on the region of interest. Multimedia Tools and Applications. v.79, p. 17669–17705. https://doi.org/10.1007/s11042-020-08645-8
Liu, Y., Tobey H. K., Zhonglei G. & Jiming Liu, F. (2020). Identifying Key Opinion Leaders in social media via Modality-Consistent Harmonized Discriminant Embedding. IEEE TRANSACTIONS ON CYBERNETICS, v. 50, n. 2, FEBRUARY. See http://www.ieee.org/publications_standards/publications/rights/index.html for more information.
Liu, Y., Han, J., Zhang, Q. & Shan, C. (2020). Deep Salient Object Detection with Contextual Information Guidance. IEEE TRANSACTIONS ON IMAGE PROCESSING, v. 29. Digital Object Identifier 10.1109/TIP.2019.2930906. See http://www.ieee.org/publications_standards/publications/rights/index.html for more information.
Malheiros, B. T. & Tomei, P. A. (2022). Organizational Culture In Brazil: Bibliometric Study On International Bases. Rev. Pretexto, V. (23), n.01, p.60-77. Jan/Mar.
Mattos, A.M. & Dias, E.W. (2010). Análise de Cocitação de Autores: questões metodológicas. IN: XI Encontro Nacional de Pesquisa em Ciência da Informação: Inovação e inclusão social: questões contemporâneas da informação, Rio de Janeiro, 2010. Anais...
Moreira, P. S. Da C.; Guimarães, A. J. R.; Tsunoda, D. F. (2020). Qual ferramenta bibliométrica escolher? Um estudo comparativo entre softwares. P2P & INOVAÇÃO, Rio de Janeiro, v. 6 n. 2, Ed. Especial, p.140-158.
Miguel Peixe, A. M; Pinto, J. S, de P. (2021). Infometria nas Bases Web of Science e Scopus: Governança Corporativa, Informação e Tecnologia da Informação; Precificação de Ações e Riscos de Mercado. Research, Society and Development, v. 10, n. 5, e56110515433. (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v10i5.15433
Navarro, P. & Díaz, C. (1994). Análisis de contenido. In: Delgado, J. M.; Gutiérrez, J.(org.). Métodos y técnicas cualitativas de investigación em ciências sociales.Madrid: Editorial Sintesis Psicologia, p. 177-224.
Nie, X. 1., Zhang, W. 1,2., Zhang, Y. 1. & Yu, D. 1,2. (2020). Method to Predict Bursty Hot Events on Twitter Based on User Relationship Network. IEEE ACCESS. Digital Object Identifier 10.1109/ACCESS.2020.2977424. VOLUME 8. This work is licensed under a Creative Commons Attribution 4.0 License. For more information, see http://creativecommons.org/licenses/by/4.0/VOLUME 8, 2020.
Sun, F. a., Zang, W. a., Gravina, R. b., Fortino, G. b. & Li, Y. E. a. (2020). Gait-based identification for elderly users in wearable healthcare systems. Information Fusion v.53, p. 134–144. https://doi.org/10.1016/j.inffus.2019.06.023.
Telechi, A. V. & Novelli, D. H. (2021). A Tale Of Two Cities: A Bibliometric Review Of The 30 Years Of Academic Research On Mercosur. Revista Conjuntura Global, v. 10, número especial. DOI: 10.5380/CG.V10I3.83443
Van Eck, N. J. & Waltman, L. (2018). VOSviewer Manual.
Wang, R. a., Ma, X. a., Jiang, C. a., YE, Y. a. & Zhang, Y. b. (2020). Heterogeneous information network-based music recommendation system in mobile networks. Computer Communications. V. 150, p. 429–437. https://doi.org/10.1016/j.comcom.2019.12.002.
Wu, C. 1,2,3., Zhang, Y. 1,3., Zhang, Y. 1,3., Zhang, W. 1,3., Wang, H. 1,3., Zhang, Y. 1,2,3 & SUN, X. 1,3. (2019). Motion Guided Siamese Trackers for Visual Tracking. Digital Object Identifier 10.1109/ACCESS.2017.DOI. 10.1109/ACCESS.2020.2964269, IEEE Access. Date of current version December 24.
Wu, G. a., Miao, Y. a., Zhang, Y. a. & Barnawi, A. b. (2020) Energy efficient for UAV-enabled mobile edge computing networks: Intelligent task prediction and offloading. Computer Communications. v.150, p 556–562. https://doi.org/10.1016/j.comcom.2019.11.037.
Wu, Z., He, L., Wang, Y., Goh, M. & Ming, X. (2020). Knowledge recommendation for product development using integrated rough set‑information entropy correction. Journal of Intelligent Manufacturing. v.31, p. 1559–1578. https://doi.org/10.1007/s10845-020-01534-9.
Yan, X. a,b., Liu, Y. a. & Jia, M. b. (2020). Multiscale cascading deep belief network for fault identification of rotating machinery under various working conditions. Knowledge-Based Systems. v. 193, p. 105484. https://doi.org/10.1016/j.knosys.2020.105484.
Yao, Q., Wang, R., Fan, X., Liu, J. & Li, Y. (2020). Multi-class Arrhythmia detection from 12-lead varied-length ECG using Attention-based Time-Incremental Convolutional Neural Network. Information Fusion. V.53, p. 174–182. https://doi.org/10.1016/j.inffus.2019.06.024.
Yu, L. 1,2,3., Xu, G. 1,2., Wang, Y. 1,2., Zhang, Y. 1,2,3. & Li, F. 1,2. (2020). ADPE: Adaptive Dynamic Projected Embedding on Heterogeneous Information Networks. ADPE on HINs. v. 8, p. 38970-38984. This work is licensed under a Creative Commons Attribution 4.0 License. For more information, see http://creativecommons.org/licenses/by/4.0/.
Zhang, Y. a,b., Huo, K. b., Liu, Z. b., Zang, Y. a., ; Liu, Y. b., Li, X. b., Zhang, Q. c. & Wang, C. a. (2020). PGNet: A Part-based Generative Network for 3D object reconstruction. Knowledge-Based Systems. V.194 p.105574. https://doi.org/10.1016/j.knosys.2020.105574 0950-7051/© 2020 Published by Elsevier B.V.
Zhang, Y. a., Wang, Y., Ying Liu, X a., Mi, S. b. & Ling Zhang, M. a, b. (2020). Large-scale multi-label classification using unknown streaming images. Pattern Recognition. v.99, p.107100, https://doi.org/10.1016/j.patcog.2019.107100 0031-3203/© 2019 Elsevier Ltd. All rights reserved.
Zhang, Z., Guangcan Liu, Y. Z., Tang, J., Fellow, S. Y. & Wang, M. (2020). Joint Label Prediction Based Semi-Supervised Adaptive Concept Factorization for Robust Data Representation. IEEE TRANSACTIONS ON KNOWLEDGE AND DATA ENGINEERING, v. 32, n.5, MAY. See ht_tps://www.ieee.org/publications/rights/index.html for more information.
Zhang, Z., Zhang, Y. 2. & Ren, Y. 1. (2020). Employing neighborhood reduction for alleviating sparsity and cold start problems in user‑based collaborative filtering. Information Retrieval Journal. v. 23, p. 449–472. https://doi.org/10.1007/s10791-020-09378-w.
Zhao, X. L. a., Hao Xu, W. a., Xiang Jiang, T. b., Wang, Y. c,d. & NG, MICHAEL K. e. (2020). Deep Plug-and-Play Prior for Low-Rank Tensor Completion. ArXiv:1905.04449v3 [cs.CV] 4 May.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Adriana Maria Miguel Peixe; Jose Simão de Paula Pinto
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
